机器学习辅助湍流建模中的特征选择与处理

【作者】 尹宇辉； 杨普； 张宇飞；

【机构】 清华大学航天航空学院；

【摘要】 准确地预测流体的复杂湍流流动现象对于包括飞机飞行在内的诸多工程问题有重大意义。目前广泛采用的定常RANS方法对于诸如机翼失速、机翼结冰后分离等问题模拟效果不好,而对于雷诺应力的模化不足和预测误差为主要原因。采用数据驱动方法,从已有高可信度数据中提取特征和雷诺应力建立映射,辅助湍流建模能够显著提高预测精度和效率。本文采用人工神经网络方法建立从RANS计算结果的平均场变量到DNS和RANS雷诺应力差量的映射,在现有研究的基础之上,从神经网络的输入和输出特征选择和处理角度进行研究,从而改进预测结果的光滑性和准确性。在输入特征方面,本文从张量分析角度和流动物理特征识别角度两方面出发构造了输入特征集合,通过考虑分离流动中剪切层位置识别、边界层保护、湍动能模化不足等物理特征所补充的输入特征能够有效提高和输出目标之间的相关性,提高预测精度;在输出特征方面,针对雷诺应力原始值和真值之间的空间取向差量存在间断的问题,采用额外特征分解方法,改善待预测空间取向的物理特性,降低了神经网络预测难度;文中还通过对比计算考察了计算网格光滑性对于平均量和输入特征影响的差异。利用改进后的神经网络框架对几何坡度变化剧烈的一组周期山算例进行训练和预测,相较于原始方法,雷诺应力预测结果的光滑性取得明显改善,带入计算得到的平均场变量预测精度提高,分离侧壁面上的摩阻系数和压力系数分布和真实结果符合程度较好。更多还原